现有算法对交通标志进行识别时，存在训练时间短但识别率低，或识别率高但训练时间长的问题。为此，综合批量归一化（BN）方法、逐层贪婪预训练（GLP）方法，以及把分类器换成支持向量机（SVM）这三种方法对卷积神经网络（CNN）结构进行优化，提出基于优化CNN结构的交通标志识别算法。其中：BN方法可以用来改变中间层的数据分布情况，把卷积层输出数据归一化为均值为0、方差为1，从而提高训练收敛速度，减少训练时间；GLP方法则是先训练第一层卷积网络，训练完把参数保留，继续训练第二层，保留参数，直到把所有卷积层训练完毕，这样可以有效提高卷积网络识别率；SVM分类器只专注于那些分类错误的样本，对已经分类正确的样本不再处理，从而提高了训练速度。使用德国交通标志识别数据库进行训练和识别，新算法的训练时间相对于传统CNN训练时间减少了20.67%，其识别率达到了98.24%。所提算法通过对传统CNN结构进行优化，极大地缩短了训练时间，并具有较高的识别率。

3GPP长期演进(LTE)系统中femtocell密集部署时，femtocell之间会存在较强干扰，针对femtocell的下行干扰，提出了一种基于路损的自适应功率控制算法。根据设定的信干噪比(SINR)门限值，给femtocell用户设置调整标志，再通过上行信道发送给femtocell，femtocell根据用户的路损及分配的资源块选择初始调整因子，以控制用户SINR为目的，根据收到的调整标志对发射功率进行自适应调整。仿真结果表明，该算法很好地控制了femtocell用户的SINR，femtocell用户平均吞吐量比无功率控制情况下至少提高了1.7Mb/s。同时表明，femtocell部署越密集，控制效果更加明显。